Исследовательский анализ датасета 2015 Street Tree Census - Tree Data

Краткое описание

Датасет содержит информацию о деревьях, растущих на улицах Нью-Йорка, собранную в рамках проекта 2015 Street Tree Census волонтёрами и сотрудниками NYC Parks & Recreation и партнёрских организаций.

Собранные данные включают в себя информацию о видах деревьев, диаметре и оценку здоровья. Доступны сопроводительные данные, показывающие статус сбора и публикации данных по всему городу.

Подробнее о датасете можно узнать на его сайте.

Данный отчёт содержит исследовательский анализ данных, в том числе следующие пункты: - превью данных - таблица с небольшой выборкой из датасета, - оценка количества пропусков в столбцах с помощью библиотеки missingno, - диаграммы попарного распределения признаков, - матрицу попарной корреляции между вещественными признаками, - карту расположения деревьев из датасета.

Описание данных

В следующей таблице приведено переведённое описание данных. Подробную информацию можно получить на сайте датасета.

№	Название столбца	Описание	Тип данных
1	tree_id	Уникальный идентификатор каждого дерева.	Число
2	block_id	Идентификатор, связывающий каждое дерево с блоком в таблице блоков/шейп-файле, в который оно отображается. (“Identifier linking each tree to the block in the blockface table/shapefile that it is mapped on.”)	Число
3	created_at	Дата и вермя создания записи.	Дата и время (datetime)
4	tree_dbh	Диаметр дерева, измеренный приблизительно в 137 см (54”) над землёй. Данные собраны как для мёртвых, так и для живых деревьев. Для пеньков используется признак stump_diam	Число
5	stump_diam	Диаметр пенька, измеренный через центр, округлённый до ближайшего целого. Диаметр измерен в дюймах.	Число
6	curb_loc	Расположение грядки (клумбы, газона), в которой находится дерево, относительно бордюра; деревья располагаются либо вдоль бордюра (OnCurb), либо со смещением от бордюра (OffsetFromCurb).	Текст
7	status	Статус, указывающий является ли дерево живым, стоящим мёртвым или пеньком.	Текст
8	health	Оценка здоровья дерева пользователем.	Текст
9	spc_latin	Название вида на латыни, например “Acer rubrum”.	Текст
10	spc_common	Обывательское название вида, например “red maple”.	Текст
11	steward	Indicates the number of unique signs of stewardship observed for this tree. Not recorded for stumps or dead trees.	Текст
12	guards	Указывает, присутствует ли ограждение (охрана?) и считает ли пользователь ее полезной или вредной. Для сухостойных деревьев и пней не отмечено.	Текст
13	sidewalk	Указывает, был ли один из краёв тротуара, непосредственно прилегающий к дереву, поврежден, треснут или поднят. Для сухостойных деревьев и пней не отмечено.	Текст
14	user_type	Поле содержит категорию пользователя, внёсшего запись в данные.	Текст
15	problems		Текст
16	root_stone	Указывает на наличие проблемы с корнями, вызванной брусчаткой на клумбе дерева.	Текст
17	root_grate	Указывает на наличие проблемы с корнями, вызванной металлическими решетками на клумбе дерева	Текст
18	root_other	Указывает на наличие других проблем с корнями.	Текст
19	trunk_wire	Указывает на наличие проблемы со стволом дерева, вызванной проволокой или веревкой, обернутой вокруг ствола.	Текст
20	trnk_light	Указывает на наличие проблемы со стволом, вызванной освещением, установленным на дереве.	Текст
21	trnk_other	Указывает на другие проблемы со стволом.	Текст
22	brch_light	Указывает на наличие проблемы с ветвями, вызванной освещением (обычно гирляндами) или проводами в ветвях.	Текст
23	brch_shoe	Указывает на наличие проблемы с ветками, вызванной кроссовками в ветках.	Текст
24	brch_other	Указывает на наличие других проблем с ветвями дерева.	Текст
25	address	Ближайший предполагаемый адрес к дереву.	Текст
26	postcode	Почтовый индекс.	Число
27	zip_city	Город, полученный из почтового индекса. Часто (но не всегда) это то же самое, что и район.	Текст
28	cb_num	Community board in which tree point is located.	Число
29	borocode	Код района, в котором расположено дерево: 1 (Манхэттен), 2 (Бронкс), 3 (Бруклин), 4 (Куинс), 5 (Стейтен-Айленд).	Число
30	boroname	Название района, в котором расположено дерево.	Текст
31	cncldist	Муниципальный округ, в котором находится дерево	Число
32	st_assem	Район Государственного собрания, в котором находится дерево. (State Assembly District in which tree point is located.)	Число
33	st_senate	Район Сената штата, в котором находится дерево. (State Senate District in which tree point is located.)	Число
34	nta	Код NTA, соответствующий районов по данным переписи населения США 2010 года, в который попадает дерево. (This is the NTA Code corresponding to the neighborhood tabulation area from the 2010 US Census that the tree point falls into.)	Текст
35	nta_name	Название NTA, соответствующее району по данным переписи населения США 2010 года, в который попадает дерево. (This is the NTA name corresponding to the neighborhood tabulation area from the 2010 US Census that the tree point falls into.)	Текст
36	boro_ct	Это идентификатор участка переписи, в который попадает дерево.	Число
37	state	Все строки меют одно и то же значение этого признака, равное “New York”.	Текст
38	latitude	Широта	Число
39	longitude	Долгота	Число
40	x_sp	Координата X в Государственной плоской системе координат (SPCS), используемой в США. Единица измерения футы. (X coordinate, in state plane. Units are feet.)	Число
41	y_sp	Координата Y в Государственной плоской системе координат (SPCS), используемой в США. Единица измерения футы. (Y coordinate, in state plane. Units are feet.)	Число
42	council_district	Муниципальный округ.	Число
43	census_tract	Переписной участок	Число
44	bin		Число
45	bbl		Число

Загрузка данных

Загрузка данных и их описания выполняется, если данные и описание не были загружены ранее.

Данные загружаются с помощью SODA API.

%%bash
if [ ! -f ../../references/ny_tree_census_description.ptrees_problems ]; then
    echo "Загрузка описания датасета."
    poetry run python ../../src/data/get_data.py get-description
    echo "Загрузка завершена. Подробнее в ../../logs/src.logs.logs.log"
else
    echo "Описание датасета было загружено ранее."
fi

Загрузка описания датасета.

/dockeruser/.cache/pypoetry/virtualenvs/src-x7HGV2Ur-py3.11/bin/python: can't open file '/dockeruser/ny_tree_census/website/../../src/data/get_data.py': [Errno 2] No such file or directory

Загрузка завершена. Подробнее в ../../logs/src.logs.logs.log

%%bash
if [ ! -f /dockeruser/ny_tree_census/data/raw/data.csv ]; then
    echo "Загрузка датасета."
    poetry run python ../../src/data/get_data.py get-data
    echo "Загрузка завершена. Подробнее в ../../logs/src.logs.logs.log"
else
    echo "Датасет был загружен ранее."
fi

Датасет был загружен ранее.

Анализ данных

Импорт модулей

import matplotlib
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from plotly import express as px

from src.visualization import (
    explore_cat_feature,
    explore_cat_vs_cat,
    explore_num_feature,
    plot_corr_matrix,
    review_data,
)

%matplotlib inline

Знакомство с данными

Вывод общей информации о датафрейме

Считаем загруженный ранее файл с датасетом и выведем общую информацию о нем.

dataset: pd.DataFrame = pd.read_csv("/dockeruser/ny_tree_census/data/raw/data.csv")

review_data(dataset)

В данных
строк: 683788
столбцов: 45

Первые 10 строк таблицы:

	tree_id	block_id	created_at	tree_dbh	stump_diam	curb_loc	status	health	spc_latin	spc_common	steward	guards	sidewalk	user_type	problems	root_stone	root_grate	root_other	trunk_wire	trnk_light	trnk_other	brch_light	brch_shoe	brch_other	address	zipcode	zip_city	cb_num	borocode	boroname	cncldist	st_assem	st_senate	nta	nta_name	boro_ct	state	latitude	longitude	x_sp	y_sp	council_district	census_tract	bin	bbl
0	3	501451	2015-05-19T00:00:00.000	24	0	OnCurb	Alive	Good	Quercus palustris	pin oak	1or2	None	Damage	NYC Parks Staff	None	No	No	No	No	No	No	No	No	No	766 MANIDA STREET	10474	Bronx	202	2	Bronx	17	84	32	BX27	Hunts Point	2009300	New York	40.816467	-73.889175	1014925.946	236757.4196	17.0	93.0	2006497.0	2.027630e+09
1	4	501451	2015-05-19T00:00:00.000	20	0	OnCurb	Alive	Good	Quercus palustris	pin oak	1or2	None	NoDamage	NYC Parks Staff	None	No	No	No	No	No	No	No	No	No	1241 LAFAYETTE AVENUE	10474	Bronx	202	2	Bronx	17	84	32	BX27	Hunts Point	2009300	New York	40.816434	-73.889595	1014809.582	236745.2369	17.0	93.0	2006002.0	2.027400e+09
2	7	501911	2015-05-19T00:00:00.000	3	0	OnCurb	Alive	Poor	Betula pendula	silver birch	3or4	None	NoDamage	TreesCount Staff	None	No	No	No	No	No	No	No	No	No	1242 SPOFFORD AVENUE	10474	Bronx	202	2	Bronx	17	84	34	BX27	Hunts Point	2009300	New York	40.814092	-73.889123	1014941.504	235892.2330	17.0	93.0	2006623.0	2.027650e+09
3	8	501911	2015-05-19T00:00:00.000	3	0	OnCurb	Alive	Poor	Betula pendula	silver birch	3or4	None	NoDamage	TreesCount Staff	None	No	No	No	No	No	No	No	No	No	1242 SPOFFORD AVENUE	10474	Bronx	202	2	Bronx	17	84	34	BX27	Hunts Point	2009300	New York	40.814100	-73.889070	1014956.216	235895.1546	17.0	93.0	2006623.0	2.027650e+09
4	9	501911	2015-05-19T00:00:00.000	4	0	OnCurb	Alive	Poor	Betula pendula	silver birch	3or4	None	NoDamage	TreesCount Staff	None	No	No	No	No	No	No	No	No	No	1242 SPOFFORD AVENUE	10474	Bronx	202	2	Bronx	17	84	34	BX27	Hunts Point	2009300	New York	40.814107	-73.889021	1014969.752	235897.8422	17.0	93.0	2006623.0	2.027650e+09
5	10	501911	2015-05-19T00:00:00.000	4	0	OnCurb	Alive	Good	Tilia cordata	littleleaf linden	3or4	None	NoDamage	TreesCount Staff	None	No	No	No	No	No	No	No	No	No	1242 SPOFFORD AVENUE	10474	Bronx	202	2	Bronx	17	84	34	BX27	Hunts Point	2009300	New York	40.814116	-73.888965	1014985.053	235900.8809	17.0	93.0	2006623.0	2.027650e+09
6	11	501911	2015-05-19T00:00:00.000	4	0	OnCurb	Alive	Good	Tilia cordata	littleleaf linden	3or4	None	NoDamage	TreesCount Staff	None	No	No	No	No	No	No	No	No	No	1246 SPOFFORD AVENUE	10474	Bronx	202	2	Bronx	17	84	34	BX27	Hunts Point	2009300	New York	40.814124	-73.888922	1014997.010	235903.8452	17.0	93.0	2006624.0	2.027650e+09
7	12	501911	2015-05-19T00:00:00.000	4	0	OnCurb	Alive	Good	Tilia cordata	littleleaf linden	3or4	None	NoDamage	TreesCount Staff	None	No	No	No	No	No	No	No	No	No	1246 SPOFFORD AVENUE	10474	Bronx	202	2	Bronx	17	84	34	BX27	Hunts Point	2009300	New York	40.814142	-73.888847	1015017.807	235910.3816	17.0	93.0	2006624.0	2.027650e+09
8	13	501911	2015-05-19T00:00:00.000	4	0	OnCurb	Alive	Good	Tilia cordata	littleleaf linden	3or4	None	NoDamage	TreesCount Staff	None	No	No	No	No	No	No	No	No	No	1246 SPOFFORD AVENUE	10474	Bronx	202	2	Bronx	17	84	32	BX27	Hunts Point	2009300	New York	40.814163	-73.888758	1015042.420	235918.1168	17.0	93.0	2006624.0	2.027650e+09
9	14	501911	2015-05-19T00:00:00.000	3	0	OnCurb	Alive	Good	Gleditsia triacanthos var. inermis	honeylocust	3or4	None	NoDamage	TreesCount Staff	None	No	No	No	No	No	No	No	No	No	1246 SPOFFORD AVENUE	10474	Bronx	202	2	Bronx	17	84	32	BX27	Hunts Point	2009300	New York	40.814193	-73.888630	1015077.847	235929.0085	17.0	93.0	2006624.0	2.027650e+09

Общая информация о столбцах:
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 683788 entries, 0 to 683787
Data columns (total 45 columns):
 #   Column            Non-Null Count   Dtype  
---  ------            --------------   -----  
 0   tree_id           683788 non-null  int64  
 1   block_id          683788 non-null  int64  
 2   created_at        683788 non-null  object 
 3   tree_dbh          683788 non-null  int64  
 4   stump_diam        683788 non-null  int64  
 5   curb_loc          683788 non-null  object 
 6   status            683788 non-null  object 
 7   health            652172 non-null  object 
 8   spc_latin         652169 non-null  object 
 9   spc_common        652169 non-null  object 
 10  steward           652173 non-null  object 
 11  guards            652172 non-null  object 
 12  sidewalk          652172 non-null  object 
 13  user_type         683788 non-null  object 
 14  problems          652124 non-null  object 
 15  root_stone        683788 non-null  object 
 16  root_grate        683788 non-null  object 
 17  root_other        683788 non-null  object 
 18  trunk_wire        683788 non-null  object 
 19  trnk_light        683788 non-null  object 
 20  trnk_other        683788 non-null  object 
 21  brch_light        683788 non-null  object 
 22  brch_shoe         683788 non-null  object 
 23  brch_other        683788 non-null  object 
 24  address           683788 non-null  object 
 25  zipcode           683788 non-null  int64  
 26  zip_city          683788 non-null  object 
 27  cb_num            683788 non-null  int64  
 28  borocode          683788 non-null  int64  
 29  boroname          683788 non-null  object 
 30  cncldist          683788 non-null  int64  
 31  st_assem          683788 non-null  int64  
 32  st_senate         683788 non-null  int64  
 33  nta               683788 non-null  object 
 34  nta_name          683788 non-null  object 
 35  boro_ct           683788 non-null  int64  
 36  state             683788 non-null  object 
 37  latitude          683788 non-null  float64
 38  longitude         683788 non-null  float64
 39  x_sp              683788 non-null  float64
 40  y_sp              683788 non-null  float64
 41  council_district  677269 non-null  float64
 42  census_tract      677269 non-null  float64
 43  bin               674229 non-null  float64
 44  bbl               674229 non-null  float64
dtypes: float64(8), int64(11), object(26)
memory usage: 234.8+ MB

Доля пропусков в каждом признаке:

tree_id             0.00
block_id            0.00
created_at          0.00
tree_dbh            0.00
stump_diam          0.00
curb_loc            0.00
status              0.00
health              0.05
spc_latin           0.05
spc_common          0.05
steward             0.05
guards              0.05
sidewalk            0.05
user_type           0.00
problems            0.05
root_stone          0.00
root_grate          0.00
root_other          0.00
trunk_wire          0.00
trnk_light          0.00
trnk_other          0.00
brch_light          0.00
brch_shoe           0.00
brch_other          0.00
address             0.00
zipcode             0.00
zip_city            0.00
cb_num              0.00
borocode            0.00
boroname            0.00
cncldist            0.00
st_assem            0.00
st_senate           0.00
nta                 0.00
nta_name            0.00
boro_ct             0.00
state               0.00
latitude            0.00
longitude           0.00
x_sp                0.00
y_sp                0.00
council_district    0.01
census_tract        0.01
bin                 0.01
bbl                 0.01
dtype: float64

Описательные статистики для числовых признаков:

	count	mean	std	min	10%	25%	50%	75%	90%	max
tree_id	683788.0	3.652050e+05	2.081221e+05	3.000000e+00	7.512770e+04	1.865828e+05	3.662145e+05	5.461702e+05	6.526333e+05	7.226940e+05
block_id	683788.0	3.137931e+05	1.148390e+05	1.000020e+05	2.006310e+05	2.215560e+05	3.199670e+05	4.046240e+05	5.038540e+05	9.999990e+05
tree_dbh	683788.0	1.127979e+01	8.723042e+00	0.000000e+00	3.000000e+00	4.000000e+00	9.000000e+00	1.600000e+01	2.400000e+01	4.500000e+02
stump_diam	683788.0	4.324630e-01	3.290241e+00	0.000000e+00	0.000000e+00	0.000000e+00	0.000000e+00	0.000000e+00	0.000000e+00	1.400000e+02
zipcode	683788.0	1.091625e+04	6.515534e+02	8.300000e+01	1.030100e+04	1.045100e+04	1.121400e+04	1.136500e+04	1.142000e+04	1.169700e+04
cb_num	683788.0	3.435054e+02	1.157406e+02	1.010000e+02	2.010000e+02	3.020000e+02	4.020000e+02	4.120000e+02	5.020000e+02	5.030000e+02
borocode	683788.0	3.358500e+00	1.166746e+00	1.000000e+00	2.000000e+00	3.000000e+00	4.000000e+00	4.000000e+00	5.000000e+00	5.000000e+00
cncldist	683788.0	2.994318e+01	1.432853e+01	1.000000e+00	1.000000e+01	1.900000e+01	3.000000e+01	4.300000e+01	5.000000e+01	5.100000e+01
st_assem	683788.0	5.079158e+01	1.896652e+01	2.300000e+01	2.600000e+01	3.300000e+01	5.200000e+01	6.400000e+01	7.900000e+01	8.700000e+01
st_senate	683788.0	2.061578e+01	7.390844e+00	1.000000e+01	1.100000e+01	1.400000e+01	2.100000e+01	2.500000e+01	3.200000e+01	3.600000e+01
boro_ct	683788.0	3.404914e+06	1.175863e+06	1.000201e+06	2.002701e+06	3.011700e+06	4.008100e+06	4.103202e+06	5.014606e+06	5.032300e+06
latitude	683788.0	4.070126e+01	9.031136e-02	4.049847e+01	4.058196e+01	4.063193e+01	4.070061e+01	4.076223e+01	4.083069e+01	4.091292e+01
longitude	683788.0	-7.392406e+01	1.235835e-01	-7.425496e+01	-7.413196e+01	-7.398050e+01	-7.391291e+01	-7.383491e+01	-7.377011e+01	-7.370049e+01
x_sp	683788.0	1.005280e+06	3.428505e+04	9.133493e+05	9.476079e+05	9.896578e+05	1.008386e+06	1.029991e+06	1.047987e+06	1.067248e+06
y_sp	683788.0	1.947984e+05	3.290206e+04	1.209738e+05	1.513119e+05	1.695152e+05	1.945603e+05	2.170196e+05	2.419426e+05	2.718941e+05
council_district	677269.0	3.002733e+01	1.430172e+01	1.000000e+00	1.000000e+01	1.900000e+01	3.000000e+01	4.300000e+01	5.000000e+01	5.100000e+01
census_tract	677269.0	1.195737e+04	3.074574e+04	1.000000e+00	8.800000e+01	2.020000e+02	5.160000e+02	1.417000e+03	3.030200e+04	1.579030e+05
bin	674229.0	3.495439e+06	1.193275e+06	1.000000e+06	2.002847e+06	3.031991e+06	4.020352e+06	4.263123e+06	5.054225e+06	5.515124e+06
bbl	674229.0	3.413414e+09	1.174892e+09	0.000000e+00	2.024360e+09	3.011240e+09	4.008560e+09	4.105700e+09	5.028820e+09	5.080500e+09

Описательные статистики для категориальных признаков:

	count	unique	top	freq
created_at	683788	483	2015-10-27T00:00:00.000	6852
curb_loc	683788	2	OnCurb	656896
status	683788	3	Alive	652173
health	652172	3	Good	528850
spc_latin	652169	132	Platanus x acerifolia	87014
spc_common	652169	132	London planetree	87014
steward	652173	4	None	487823
guards	652172	4	None	572306
sidewalk	652172	2	NoDamage	464978
user_type	683788	3	TreesCount Staff	296284
problems	652124	232	None	426280
root_stone	683788	2	No	543789
root_grate	683788	2	No	680252
root_other	683788	2	No	653466
trunk_wire	683788	2	No	670514
trnk_light	683788	2	No	682757
trnk_other	683788	2	No	651215
brch_light	683788	2	No	621423
brch_shoe	683788	2	No	683377
brch_other	683788	2	No	659433
address	683788	408701	106 CROSS BAY BOULEVARD	262
zip_city	683788	48	Brooklyn	177300
boroname	683788	5	Queens	250551
nta	683788	188	SI01	12969
nta_name	683788	188	Annadale-Huguenot-Prince's Bay-Eltingville	12969
state	683788	1	New York	683788

Дубликаты не обнаружены.

Выводы

Датасет не содержит дубликатов, но содержит пропуски. Пропуски не должны быть проблемой на этапе исследовательского анализа, однако их придётся обработать, прежде чем передать данные модели машинного обучения, если это будет необходимо.

Пропуски содержатся в следующих столбцах: - health - 5%; - spc_latin - 5%; - spc_common - 5%; - steward - 5%; - guards - 5%; - sidewalk - 5%; - problems - 5%; - council_district - 1%; - census_tract - 1%; - bin - 1%; - bbl - 1%;

Признаки tree_id, block_id, created_at содержат уникальный идентификатор дерева, уникальный идентификатор блока и дату создания записи. Не будем их рассматривать, по крайней мере, по началу.

Не имеет смысла исследовать признак state, так как данный столбце целиком заполенен значением “New York”.

Датасет содержит как категориальные, так и количественные признаки.

К количественным признакам относятся следующие: - tree_dbh;
- stump_diam;
- latitude; - longitude; - x_sp; - y_sp; - bin; - bbl.

Cледующие признаки, хоть и были прочитаны с типом int64, с точки зрения своего физического смысла, являют категориальными: - zipcode;
- cb_num;
- borocode; - cncldist;
- st_assem;
- st_senate; - boro_ct; - council_district; - census_tract.

К категориальным признакам также относятся признаки - curb_loc; - status; - health; - spc_latin; - spc_common; - steward; - guards; - sidewalk; - user_type; - problems; - root_stone; - root_grate; - root_other; - trunk_wire; - trnk_light; - trnk_other; - brch_light; - brch_shoe; - brch_other; - address; - zip_city; - boroname; - nta; - nta_name; - state.

Многие категориальные признаки имеют высокую кардинальность.

Подсчитаем количество уникальных значений для категориальных признаков, которые изначально были распознаны как количественные.

columns = [
    "zipcode",
    "cb_num",
    "borocode",
    "cncldist",
    "st_assem",
    "st_senate",
    "boro_ct",
    "council_district",
    "census_tract",
]

pd.DataFrame(
    dataset[columns].nunique(), columns=["Количество уникальных значений"]
)

	Количество уникальных значений
zipcode	191
cb_num	59
borocode	5
cncldist	51
st_assem	65
st_senate	26
boro_ct	2152
council_district	51
census_tract	1315

Таким образом, среди категориальных признаков мы можем исследовать с помощью графиков следующие: - curb_loc; - status; - health; - steward; - guards; - sidewalk; - user_type; - root_stone; - root_grate; - root_other; - trunk_wire; - trnk_light; - trnk_other; - brch_light; - brch_shoe; - brch_other; - zip_city; - boroname; - cb_num; - borocode; - cncldist; - st_senate; - council_district.

Исследование отдельных признаков

Количественные признаки

К количественным признакам отнесём следующие: - tree_dbh;
- stump_diam;
- latitude; - longitude; - x_sp; - y_sp; - bin; - bbl.

Рассмотрим их распределения.

tree_dbh

Признак содержит диаметр дерева в, измеренный приблизительно в 137 см (54”) над землёй.

explore_num_feature(
    data=dataset,
    column_name="tree_dbh",
    bins=51,
)

Признак tree_dbh
Количество пропусков: 0

Описательные статистики:

	tree_dbh
count	683788.000000
mean	11.279787
std	8.723042
min	0.000000
10%	3.000000
25%	4.000000
50%	9.000000
75%	16.000000
90%	24.000000
max	450.000000

Форма распределения значений признака значительно отклоняется от формы нормального. Распределение имеет тяжёлый хвост и большое количество выбросов в большую сторону.

Признак может быть строго равен нулю. Скорее всего, значение данного признака равно нулю для пеньков. Согласно описанию данных диаметр пеньков заносится в признак stump_diam.

Рассмотрим распределение значений данного признак в диапазоне 0 < tree_dbh <= 100 более подробно.

explore_num_feature(
    data=dataset.query("tree_dbh > 0 and tree_dbh <=100"),
    column_name="tree_dbh",
    bins=51,
)

Признак tree_dbh
Количество пропусков: 0

Описательные статистики:

	tree_dbh
count	665786.000000
mean	11.565285
std	8.416264
min	1.000000
10%	3.000000
25%	5.000000
50%	10.000000
75%	16.000000
90%	24.000000
max	100.000000

stump_diam

Диаметр пенька, измеренный через центр, в дюймах.

explore_num_feature(
    data=dataset,
    column_name="stump_diam",
)

Признак stump_diam
Количество пропусков: 0

Описательные статистики:

	stump_diam
count	683788.000000
mean	0.432463
std	3.290241
min	0.000000
10%	0.000000
25%	0.000000
50%	0.000000
75%	0.000000
90%	0.000000
max	140.000000

В датасете большинство наблюдений относится к деревьям, а не к пенькам, поэтому данный признак содержит абсолютное большинство нулей. Диаметр стволов деревьев заносится в признак tree_dbh.

Выберем только те записи, где диаметр пенька строго больше нуля и меньше или равен 100 и рассмотрим распределение диаметров повторно.

explore_num_feature(
    data=dataset.query("stump_diam > 0 and stump_diam <= 100"),
    column_name="stump_diam",
    bins=51,
)

Признак stump_diam
Количество пропусков: 0

Описательные статистики:

	stump_diam
count	17644.000000
mean	16.691793
std	11.828303
min	1.000000
10%	4.000000
25%	7.000000
50%	14.000000
75%	23.000000
90%	33.000000
max	100.000000

Форма распределения значений признака значительно отклоняется от формы нормального. Распределение имеет тяжёлый хвост и большое количество выбросов в большую сторону.

Форма распределения значений диаметров пеньков напоминает форму распределения значений диаметров стволов tree_dbh, что закономерно.

Таким образом, признаки tree_dbh и stump_diam стоить попробовать объединить в один признак diam и рассматривать совместно.

latitude

Широта точки в которой расположено дерево на карте.

explore_num_feature(
    data=dataset,
    column_name="latitude",
)

Признак latitude
Количество пропусков: 0

Описательные статистики:

	latitude
count	683788.000000
mean	40.701261
std	0.090311
min	40.498466
10%	40.581956
25%	40.631928
50%	40.700612
75%	40.762228
90%	40.830693
max	40.912918

Форма распределения близка к форме нормального распределения, но имеет несколько мод, которые могут соответствовать центрам “кластеров” деревьев.

Позже мы рассмотрим распределение точек одновременно по признаку latitude и признаку longitude, а также нанесём точки с деревьями на карту, что позволит понять причину появления нескольких мод.

longitude

Долгота точки в которой расположено дерево на карте.

explore_num_feature(
    data=dataset,
    column_name="longitude",
)

Признак longitude
Количество пропусков: 0

Описательные статистики:

	longitude
count	683788.000000
mean	-73.924060
std	0.123583
min	-74.254965
10%	-74.131957
25%	-73.980500
50%	-73.912911
75%	-73.834910
90%	-73.770112
max	-73.700488

Форма распределения значительно отличается от формы нормального распределения. Распределение имеет как минимум две моды.

Позже мы рассмотрим распределение записей одновременно по признаку latitude и признаку longitude, а также нанесём точки с деревьями на карту, что позволит понять причину появления нескольких мод.

x_sp

Координата X в Государственной плоской системе координат (SPCS), используемой в США. Единица измерения футы.

explore_num_feature(data=dataset, column_name="x_sp")

Признак x_sp
Количество пропусков: 0

Описательные статистики:

	x_sp
count	6.837880e+05
mean	1.005280e+06
std	3.428505e+04
min	9.133493e+05
10%	9.476079e+05
25%	9.896578e+05
50%	1.008386e+06
75%	1.029991e+06
90%	1.047987e+06
max	1.067248e+06

Распределение повторяет распределение признака longitude.

y_sp

Координата Y в Государственной плоской системе координат (SPCS), используемой в США. Единица измерения футы.

explore_num_feature(data=dataset, column_name="y_sp")

Признак y_sp
Количество пропусков: 0

Описательные статистики:

	y_sp
count	683788.000000
mean	194798.424625
std	32902.061114
min	120973.792200
10%	151311.945170
25%	169515.153700
50%	194560.252500
75%	217019.571950
90%	241942.646120
max	271894.092100

Распределение повторяет распределение признака latitude.

bin и bbl

В описании датасета отсутствуют комментарии для этих признаков, но они были распознаны как количественные.

Рассмотрим их распределения.

explore_num_feature(data=dataset, column_name="bin")

explore_num_feature(data=dataset, column_name="bbl")

Признак bin
Количество пропусков: 9559

Описательные статистики:

	bin
count	6.742290e+05
mean	3.495439e+06
std	1.193275e+06
min	1.000000e+06
10%	2.002847e+06
25%	3.031991e+06
50%	4.020352e+06
75%	4.263123e+06
90%	5.054225e+06
max	5.515124e+06

Признак bbl
Количество пропусков: 9559

Описательные статистики:

	bbl
count	6.742290e+05
mean	3.413414e+09
std	1.174892e+09
min	0.000000e+00
10%	2.024360e+09
25%	3.011240e+09
50%	4.008560e+09
75%	4.105700e+09
90%	5.028820e+09
max	5.080500e+09

Судя по гистограммам, признаки являются категориальными, подсчитаем количество уникальных значений для каждого из них.

pd.DataFrame(
    dataset[["bin", "bbl"]].nunique(),
    columns=["Количество уникальных значений"],
)

	Количество уникальных значений
bin	378888
bbl	366635

Выведем несколько значений этих признаков.

dataset[["bin", "bbl"]].sample(10)

	bin	bbl
78217	1060853.0	1.020468e+09
163932	1029778.0	1.011420e+09
278906	5011288.0	5.003910e+09
405188	3258737.0	3.040220e+09
261912	5007893.0	5.002930e+09
107136	5038353.0	5.023800e+09
661130	3099944.0	3.046120e+09
482978	5069887.0	5.054030e+09
655307	4217332.0	4.102070e+09
600026	4194591.0	4.092970e+09

Похоже, что данные признаки содержат какие-то коды или координаты с большим количеством уникальных значений.

created_at

Рассмотрим признак created_at, содержащий дату и время создания записи. Подсчитаем количество записей созданных в

(
    dataset.assign(created_at=lambda row: pd.to_datetime(row.created_at))
    .loc[:, ["created_at", "tree_id"]]
    .resample("MS", on="created_at")
    .count()
    .rename(columns={"tree_id": "count"})
    .reset_index()
    .assign(created_at=lambda row: row.created_at.dt.date)
    .plot(
        kind="bar",
        x="created_at",
        y="count",
        title="Количество записей внесённых в разное время",
    )
)

plt.show()

Больше всего записей было внесено в октябре 2015, самая низкая активность участников проекта наблюдалась в период с января 2016 по апрель 2016.

Категориальные признаки

Среди категориальных признаков мы можем исследовать с помощью графиков следующие: - curb_loc; - status; - health; - steward; - guards; - sidewalk; - user_type; - root_stone; - root_grate; - root_other; - trunk_wire; - trnk_light; - trnk_other; - brch_light; - brch_shoe; - brch_other; - zip_city; - boroname; - cb_num; - borocode; - cncldist; - st_senate; - council_district.

curb_loc

Рассмотрим категориальный признак curb_loc, содержащий информацию о расположении грядки (клумбы, газона), в которой находится дерево, относительно бордюра; деревья располагаются либо вдоль бордюра (OnCurb), либо со смещением от бордюра (OffsetFromCurb).

explore_cat_feature(
    data=dataset,
    column_name="curb_loc",
    title="Расположение клумбы относительно бордюра",
    xlabel="Количество наблюдений",
    ylabel="Расположение клумбы",
)

Количество уникальных знаний: 2
Количество повторов уникальных значений признака curb_loc

	Значение признака curb_loc	Количество повторений
0	OnCurb	656896
1	OffsetFromCurb	26892

Большинство деревьев (клумб) расположены вдоль бордюра.

status

Рассмотрим категориальный признак status - статус, указывающий является ли дерево живым, стоящим мёртвым или пеньком.

explore_cat_feature(
    data=dataset,
    column_name="status",
    title="Статус дерева\n(живое / мёртвое / пенёк)",
    xlabel="Количество наблюдений",
    ylabel="Статус",
)

Количество уникальных знаний: 3
Количество повторов уникальных значений признака status

	Значение признака status	Количество повторений
0	Alive	652173
1	Stump	17654
2	Dead	13961

В датасете очень мало пеньков и мёртвых деревьев.

health

Рассмотрим категориальный признак health, содержащий оценку здоровья дерева пользователем.

explore_cat_feature(
    data=dataset,
    column_name="health",
    title="Оценка здоровья дерева",
    xlabel="Количество наблюдений",
    ylabel="Оценка",
)

Количество уникальных знаний: 3
Количество повторов уникальных значений признака health

	Значение признака health	Количество повторений
0	Good	528850
1	Fair	96504
2	NaN	31616
3	Poor	26818

Состояние большинства деревьев оценено как хорошее, при этом признак, содержит некоторое количество пропусков. Вполне возможно, что эти пропуски соответствуют пенькам и мёртвым деревьям. Чтобы проверить эти гипотезу подсчитаем для каждого статуса дерева количество каждого значения признака health.

dataset.groupby("status")["health"].value_counts(dropna=False)

status  health
Alive   Good      528850
        Fair       96504
        Poor       26818
        NaN            1
Dead    NaN        13961
Stump   NaN        17654
Name: health, dtype: int64

Для живых деревьев признак health содержит пропущенное значение только в одном случае, все остальные пропуски соответствуют пням и мёртвым деревьям.

steward

Рассмотрим категориальный признак steward. Согласно описанию, содержит пропущенные значения для пней и мёртвых деревьев.

explore_cat_feature(
    data=dataset,
    column_name="steward",
    title="Steward",
    xlabel="Количество наблюдений",
)

Количество уникальных знаний: 4
Количество повторов уникальных значений признака steward

	Значение признака steward	Количество повторений
0	None	487823
1	1or2	143557
2	NaN	31615
3	3or4	19183
4	4orMore	1610

Признак можно рассматривать как ранговый и перекодировать целыми числами.

guards

Рассмотрим категориальный признак guards, содержащий информацию об ограждении вокруг дерева. Согласно описанию, признак содержит пропущенные значения для пней и мёртвых деревьев.

explore_cat_feature(
    data=dataset,
    column_name="guards",
    title="Ограждения",
    xlabel="Количество наблюдений",
)

Количество уникальных знаний: 4
Количество повторов уникальных значений признака guards

	Значение признака guards	Количество повторений
0	None	572306
1	Helpful	51866
2	NaN	31616
3	Harmful	20252
4	Unsure	7748

У большинства деревьев ограждения отсутствуют.

sidewalk

Рассмотрим категориальный признак sidewalk, который указывает, был ли один из краёв тротуара, непосредственно прилегающий к дереву, поврежден, треснут или поднят. Согласно описанию, признак содержит пропущенные значения для пней и мёртвых деревьев.

explore_cat_feature(
    data=dataset,
    column_name="sidewalk",
    title="sidewalk\n(состояние края тротуара)",
    xlabel="Количество наблюдений",
    ylabel="sidewalk",
)

Количество уникальных знаний: 2
Количество повторов уникальных значений признака sidewalk

	Значение признака sidewalk	Количество повторений
0	NoDamage	464978
1	Damage	187194
2	NaN	31616

user_type

Рассмотрим категориальный признак user_type, который содержит категорию пользователя, внёсшего запись в данные.

explore_cat_feature(
    data=dataset,
    column_name="user_type",
    title="Категории пользователей,\nвнёсших данные",
    xlabel="Количество наблюдений",
    ylabel="Категория пользователя",
)

Количество уникальных знаний: 3
Количество повторов уникальных значений признака user_type

	Значение признака user_type	Количество повторений
0	TreesCount Staff	296284
1	Volunteer	217518
2	NYC Parks Staff	169986

Примечательно, что существенная часть данных добавлена волотнёрами.

root_stone

Рассмотрим категориальный признак root_stone, который указывает на наличие проблемы с корнями, вызванной брусчаткой на клумбе дерева.

explore_cat_feature(
    data=dataset,
    column_name="root_stone",
    title="Проблемы с корнями\nиз-за брусчатки на клумбе",
    xlabel="Количество наблюдений",
    ylabel="Наличие проблемы",
)

Количество уникальных знаний: 2
Количество повторов уникальных значений признака root_stone

	Значение признака root_stone	Количество повторений
0	No	543789
1	Yes	139999

У большинства деревьев нет проблем с брусчаткой. Видимо, признак также указан и для пней и для мёртвых деревьев.

root_grate

Рассмотрим категориальный признак root_grate, который указывает на наличие проблемы с корнями, вызванной металлическими решетками на клумбе дерева.

explore_cat_feature(
    data=dataset,
    column_name="root_grate",
    title="Проблемы с корнями\nиз-за решёток на клумбе",
    xlabel="Количество наблюдений",
    ylabel="Наличие проблемы",
)

Количество уникальных знаний: 2
Количество повторов уникальных значений признака root_grate

	Значение признака root_grate	Количество повторений
0	No	680252
1	Yes	3536

Проблемы, вызванные решётками встречаются очень редко. Похоже, признак также указан для пней и мёртвых деревьев.

root_other

Рассмотрим категориальный признак root_other, Который указывает на наличие других проблем с корнями.

explore_cat_feature(
    data=dataset,
    column_name="root_other",
    title="Другие проблемы с корнями",
    xlabel="Количество наблюдений",
    ylabel="Наличие проблемы",
)

Количество уникальных знаний: 2
Количество повторов уникальных значений признака root_other

	Значение признака root_other	Количество повторений
0	No	653466
1	Yes	30322

У большинства деревьев нет проблем данной категории. Видимо, признак также указан и для пней и для мёртвых деревьев.

trunk_wire

Рассмотрим категориальный признак trunk_wire, который указывает на наличие проблем со стволом дерева, вызванной проволокой или веревкой, обернутой вокруг ствола.

explore_cat_feature(
    data=dataset,
    column_name="trunk_wire",
    title="Проблемы со стволом\nиз-за проволоки или верёвки",
    xlabel="Количество наблюдений",
    ylabel="Наличие проблемы",
)

Количество уникальных знаний: 2
Количество повторов уникальных значений признака trunk_wire

	Значение признака trunk_wire	Количество повторений
0	No	670514
1	Yes	13274

Проблема встречается крайне редко. Похоже, признак также указан для пней и мёртвых деревьев.

trnk_light

Рассмотрим категориальный признак trnk_light, который указывает на наличие проблем со стволом дерева, вызванной освещением, установленным на дереве.

explore_cat_feature(
    data=dataset,
    column_name="trnk_light",
    title="Проблемы со стволом\nиз-за освещения",
    xlabel="Количество наблюдений",
    ylabel="Наличие проблемы",
)

Количество уникальных знаний: 2
Количество повторов уникальных значений признака trnk_light

	Значение признака trnk_light	Количество повторений
0	No	682757
1	Yes	1031

Проблема встречается настолько редко, что информативность данного признака ставится под вопрос.

trnk_other

Рассмотрим категориальный признак trnk_other, который указывает на наличие других проблем со стволом дерева.

explore_cat_feature(
    data=dataset,
    column_name="trnk_other",
    title="Другие проблемы со стволом",
    xlabel="Количество наблюдений",
    ylabel="Наличие проблемы",
)

Количество уникальных знаний: 2
Количество повторов уникальных значений признака trnk_other

	Значение признака trnk_other	Количество повторений
0	No	651215
1	Yes	32573

Проблема встречается довольно редко и указана в том числе для пней и мёртвых деревьев.

brch_light

Рассмотрим категориальный признак brch_light, который указывает на наличие проблемы с ветвями, вызванной освещением (обычно гирляндами) или проводами в ветвях.

explore_cat_feature(
    data=dataset,
    column_name="brch_light",
    title="Проблемы с ветвями из-за освещения",
    xlabel="Количество наблюдений",
    ylabel="Наличие проблемы",
)

Количество уникальных знаний: 2
Количество повторов уникальных значений признака brch_light

	Значение признака brch_light	Количество повторений
0	No	621423
1	Yes	62365

Проблема встречается довольно редко и указана в том числе для пней и мёртвых деревьев.

brch_shoe

Рассмотрим категориальный признак brch_shoe, который указывает на наличие проблемы с ветвями из-за кросовок в них.

explore_cat_feature(
    data=dataset,
    column_name="brch_shoe",
    title="Проблемы с ветвями из-за кросовок",
    xlabel="Количество наблюдений",
    ylabel="Наличие проблемы",
)

Количество уникальных знаний: 2
Количество повторов уникальных значений признака brch_shoe

	Значение признака brch_shoe	Количество повторений
0	No	683377
1	Yes	411

Проблема встречается настолько редко, что информативность признака ставится под вопрос. Признак не содержит пропусков, а значит указан в том числе и для пней и для мёртвых деревьев.

brch_other

Рассмотрим категориальный признак brch_other, который указывает на наличие других проблем с ветвями.

explore_cat_feature(
    data=dataset,
    column_name="brch_other",
    title="Другие проблемы с ветвями",
    xlabel="Количество наблюдений",
    ylabel="Наличие проблемы",
)

Количество уникальных знаний: 2
Количество повторов уникальных значений признака brch_other

	Значение признака brch_other	Количество повторений
0	No	659433
1	Yes	24355

Проблемы встречаются довольно редко, признак указан в том числе для пней и мёртвых деревьев.

zip_city

Рассмотрим категориальный признак zip_city, который содержит город, полученный из почтового индекса.

explore_cat_feature(
    data=dataset,
    column_name="zip_city",
    title="Город, полученный из почтового индекса.",
    xlabel="Количество наблюдений",
    ylabel="Город",
    figsize=(7, 10),
)

Количество уникальных знаний: 48
Количество повторов уникальных значений признака zip_city

	Значение признака zip_city	Количество повторений
0	Brooklyn	177300
1	Staten Island	105318
2	Bronx	85203
3	New York	64488
4	Jamaica	26028
5	Flushing	23389
6	Ridgewood	10937
7	Fresh Meadows	10441
8	Queens Village	10127
9	Astoria	10007
10	Whitestone	9449
11	Bayside	8679
12	Springfield Gardens	7470
13	Little Neck	7280
14	Forest Hills	7059
15	Oakland Gardens	7054
16	Far Rockaway	6887
17	East Elmhurst	6475
18	Rosedale	6324
19	Woodside	5651
20	South Ozone Park	5494
21	Ozone Park	5456
22	Bellerose	5121
23	Middle Village	4893
24	Saint Albans	4697
25	Howard Beach	4650
26	Corona	4346
27	Elmhurst	4204
28	Glen Oaks	4130
29	Maspeth	4033
30	Hollis	3591
31	Rockaway Park	3572
32	Long Island City	3479
33	Richmond Hill	3391
34	Jackson Heights	3295
35	Cambria Heights	3229
36	College Point	3099
37	Rego Park	3084
38	Woodhaven	2855
39	South Richmond Hill	2805
40	Arverne	2013
41	Kew Gardens	1743
42	Sunnyside	1664
43	Floral Park	1539
44	Central Park	935
45	New Hyde Park	865
46	Breezy Point	30
47	Inwood	9

Большинство записей соответствуют Бруклину.

boroname

Рассмотрим категориальный признак boroname, который указывает название района, в котором расположено дерево.

explore_cat_feature(
    data=dataset,
    column_name="boroname",
    title="Название района",
    xlabel="Количество наблюдений",
    ylabel="Название района",
)

Количество уникальных знаний: 5
Количество повторов уникальных значений признака boroname

	Значение признака boroname	Количество повторений
0	Queens	250551
1	Brooklyn	177293
2	Staten Island	105318
3	Bronx	85203
4	Manhattan	65423

Большинство деревьев раcположены в районе Queens.

cb_num

Рассмотрим категориальный признак cb_num.

explore_cat_feature(
    data=dataset,
    column_name="cb_num",
    title="cb_num",
    xlabel="Количество наблюдений",
    figsize=(7, 10),
)

Количество уникальных знаний: 59
Количество повторов уникальных значений признака cb_num

	Значение признака cb_num	Количество повторений
0	503	53934
1	413	37017
2	407	30620
3	411	28071
4	412	26379
5	502	25717
6	501	25667
7	408	20383
8	405	19550
9	318	19319
10	305	16589
11	410	15224
12	315	13758
13	401	13008
14	312	12500
15	414	12412
16	301	12066
17	409	11481
18	210	11180
19	212	11108
20	403	10827
21	310	10598
22	314	10536
23	306	10290
24	406	10258
25	211	10094
26	209	9943
27	303	9437
28	311	9343
29	108	9269
30	107	8814
31	302	8789
32	402	8645
33	317	8418
34	307	8105
35	112	7182
36	304	7164
37	404	6676
38	204	6643
39	208	6071
40	110	5962
41	308	5735
42	207	5406
43	309	5333
44	316	5275
45	206	5192
46	106	5061
47	102	5019
48	202	5016
49	109	4987
50	103	4939
51	111	4933
52	203	4911
53	201	4826
54	205	4813
55	104	4704
56	313	4038
57	101	2397
58	105	2156

borocode

Рассмотрим категориальный признак borocode, содержащий код района, в котором расположено дерево: - 1 - (Манхэттен), - 2 - (Бронкс), - 3 - (Бруклин), - 4 - (Куинс), - 5 - (Стейтен-Айленд).

explore_cat_feature(
    data=dataset,
    column_name="borocode",
    title="Код района",
    xlabel="Количество наблюдений",
    ylabel="Код",
)

Количество уникальных знаний: 5
Количество повторов уникальных значений признака borocode

	Значение признака borocode	Количество повторений
0	4	250551
1	3	177293
2	5	105318
3	2	85203
4	1	65423

Признак является закодированным признаком boroname.

cncldist

Рассмотрим категориальный признак cncldist, содержащий муниципальный округ, в котором находится дерево.

explore_cat_feature(
    data=dataset,
    column_name="cncldist",
    title="Муниципальный округ",
    xlabel="Количество наблюдений",
    ylabel="Округ",
    figsize=(7, 10),
)

Количество уникальных знаний: 51
Количество повторов уникальных значений признака cncldist

	Значение признака cncldist	Количество повторений
0	51	51236
1	19	34429
2	50	33035
3	23	30743
4	31	23161
5	49	21047
6	27	20116
7	32	19508
8	24	18993
9	30	18551
10	13	17587
11	46	16913
12	28	15807
13	20	14189
14	29	13946
15	39	13859
16	43	13196
17	42	13117
18	33	12784
19	17	11851
20	48	11786
21	45	11758
22	44	11659
23	22	11537
24	37	10990
25	34	10812
26	12	10734
27	26	10679
28	35	10525
29	11	9820
30	18	9798
31	38	9567
32	47	9259
33	36	9023
34	3	8631
35	4	8521
36	41	8232
37	9	8213
38	6	8050
39	15	8044
40	21	8016
41	25	7851
42	8	7293
43	40	6838
44	7	6572
45	16	6531
46	10	6501
47	14	6240
48	1	5694
49	2	5564
50	5	4982

Большинство деревьев расположены в округе 51.

st_senate

Рассмотрим категориальный признак st_senate, содержащий район Сената штата, в котором находится дерево.

explore_cat_feature(
    data=dataset,
    column_name="st_senate",
    title="Район Сената штата",
    xlabel="Количество наблюдений",
    ylabel="Район",
    figsize=(7, 10),
)

Количество уникальных знаний: 26
Количество повторов уникальных значений признака st_senate

	Значение признака st_senate	Количество повторений
0	24	87241
1	11	67705
2	15	44624
3	14	38351
4	10	35044
5	34	31066
6	19	29083
7	22	27179
8	23	25401
9	16	24146
10	25	23499
11	17	22225
12	12	21847
13	21	20730
14	18	20603
15	13	18827
16	20	16848
17	26	16456
18	32	15915
19	36	14544
20	33	14462
21	29	14285
22	30	13929
23	27	13685
24	28	13195
25	31	12898

Большинство наблюдений соответствуют району Сената штата с номером 24.

council_district

Рассмотрим категориальный признак council_district, содержащий муниципальный округ, в котором находится дерево.

explore_cat_feature(
    data=dataset,
    column_name="council_district",
    title="Муниципальный округ",
    xlabel="Количество наблюдений",
    ylabel="Муниципальный округ",
    figsize=(7, 10),
)

Количество уникальных знаний: 51
Количество повторов уникальных значений признака council_district

	Значение признака council_district	Количество повторений
0	51.0	50865
1	19.0	33626
2	50.0	32948
3	23.0	30411
4	31.0	22763
5	49.0	20863
6	27.0	20061
7	32.0	19687
8	24.0	18620
9	30.0	18307
10	13.0	17433
11	46.0	16863
12	28.0	15635
13	20.0	14128
14	39.0	13837
15	29.0	13789
16	42.0	13083
17	43.0	13054
18	33.0	12740
19	17.0	11825
20	48.0	11802
21	45.0	11717
22	44.0	11648
23	22.0	11640
24	37.0	10995
25	34.0	10700
26	26.0	10659
27	12.0	10525
28	35.0	10497
29	18.0	9702
30	11.0	9655
31	38.0	9510
32	47.0	9200
33	36.0	9025
34	4.0	8649
35	3.0	8506
36	41.0	8207
37	9.0	7994
38	15.0	7921
39	25.0	7831
40	21.0	7810
41	8.0	7343
42	6.0	6947
43	40.0	6866
44	NaN	6519
45	7.0	6519
46	16.0	6495
47	14.0	6359
48	10.0	6137
49	2.0	5537
50	1.0	5404
51	5.0	4931

Большинство деревьев относится к муниципальному округу с номером 51.

Признак содержит небольшое количество пропусков, что может быть связано как с ошибками в данных, так и с особенностями административно-территорального деления в США.

spc_latin

Рассмотрим категориальный признак spc_latin, содержащий название вида дерева на латыни. Признак обладает высокой кардинальностью, поэтому выведем 50 наиболее часто встречающихся значений.

explore_cat_feature(
    data=dataset,
    column_name="spc_latin",
    n_top=50,
    title="Виды деревьев",
    xlabel="Количество наблюдений",
    ylabel="Латинское название вида",
    figsize=(7, 10),
)

Количество уникальных знаний: 132
Количество повторов уникальных значений признака spc_latin

	Значение признака spc_latin	Количество повторений
0	Platanus x acerifolia	87014
1	Gleditsia triacanthos var. inermis	64264
2	Pyrus calleryana	58931
3	Quercus palustris	53185
4	Acer platanoides	34189
5	Tilia cordata	29742
6	Prunus	29279
7	Zelkova serrata	29258
8	Ginkgo biloba	21024
9	Styphnolobium japonicum	19338
10	Acer rubrum	17246
11	Fraxinus pennsylvanica	16251
12	Tilia americana	13530
13	Acer saccharinum	12277
14	Liquidambar styraciflua	10657
15	Quercus rubra	8400
16	Tilia tomentosa	7995
17	Ulmus americana	7975
18	Acer	7080
19	Prunus cerasifera	6879
20	Quercus bicolor	6598
21	Acer platanoides 'Crimson King'	5923
22	Ulmus parvifolia	5345
23	Prunus virginiana	4888
24	Syringa reticulata	4568
25	Cercis canadensis	3801
26	Koelreuteria paniculata	3719
27	Malus	3527
28	Gymnocladus dioicus	3364
29	Quercus phellos	3184
30	Metasequoia glyptostroboides	3020
31	Crataegus	2988
32	Acer saccharum	2844
33	Acer pseudoplatanus	2731
34	Fraxinus	2609
35	Acer campestre	2550
36	Celtis occidentalis	2382
37	Quercus acutissima	2244
38	Maackia amurensis	2197
39	Carpinus betulus	2099
40	Acer ginnala	2049
41	Amelanchier	2032
42	Robinia pseudoacacia	1784
43	Quercus alba	1686
44	Quercus robur	1644
45	Ulmus pumila	1595
46	Cornus florida	1552
47	Carpinus caroliniana	1517
48	Quercus shumardii	1487
49	Quercus coccinea	1465

Чаще всех встречаются деревья вида Platanus x acerifolia (плантан кленолистный).

spc_common

Рассмотрим категориальный признак spc_common, содержащий обывательское название вида дерева. Признак обладает высокой кардинальностью, поэтому выведем 50 наиболее часто встречающихся значений.

explore_cat_feature(
    data=dataset,
    column_name="spc_common",
    n_top=50,
    title="Виды деревьев",
    xlabel="Количество наблюдений",
    ylabel="Обывательское название",
    figsize=(7, 10),
)

Количество уникальных знаний: 132
Количество повторов уникальных значений признака spc_common

	Значение признака spc_common	Количество повторений
0	London planetree	87014
1	honeylocust	64264
2	Callery pear	58931
3	pin oak	53185
4	Norway maple	34189
5	littleleaf linden	29742
6	cherry	29279
7	Japanese zelkova	29258
8	ginkgo	21024
9	Sophora	19338
10	red maple	17246
11	green ash	16251
12	American linden	13530
13	silver maple	12277
14	sweetgum	10657
15	northern red oak	8400
16	silver linden	7995
17	American elm	7975
18	maple	7080
19	purple-leaf plum	6879
20	swamp white oak	6598
21	crimson king maple	5923
22	Chinese elm	5345
23	'Schubert' chokecherry	4888
24	Japanese tree lilac	4568
25	eastern redbud	3801
26	golden raintree	3719
27	crab apple	3527
28	Kentucky coffeetree	3364
29	willow oak	3184
30	dawn redwood	3020
31	hawthorn	2988
32	sugar maple	2844
33	sycamore maple	2731
34	ash	2609
35	hedge maple	2550
36	common hackberry	2382
37	sawtooth oak	2244
38	Amur maackia	2197
39	European hornbeam	2099
40	Amur maple	2049
41	serviceberry	2032
42	black locust	1784
43	white oak	1686
44	English oak	1644
45	Siberian elm	1595
46	flowering dogwood	1552
47	American hornbeam	1517
48	Schumard's oak	1487
49	scarlet oak	1465

На первом месте всё также плантан кленолистный.

problems

Рассмотрим категориальный признак problems, содержащий информацию о проблемах с деревом. Признак обладает высокой кардинальностью, поэтому выведем 50 наиболее часто встречающихся значений и, на всякий случай, подсчитаем количество пропусков.

print(
    "Количество пропусков в столбце в полных данных: "
    f"{dataset.problems.isna().sum()}\n"
)

explore_cat_feature(
    data=dataset,
    column_name="problems",
    n_top=50,
    title="Проблемы деревьев",
    xlabel="Количество наблюдений",
    ylabel="Проблема",
    figsize=(7, 10),
)

Количество пропусков в столбце в полных данных: 31664

Количество уникальных знаний: 232
Количество повторов уникальных значений признака problems

	Значение признака problems	Количество повторений
0	None	426280
1	Stones	95673
2	BranchLights	29452
3	Stones,BranchLights	17808
4	RootOther	11418
5	TrunkOther	11143
6	BranchOther	8352
7	Stones,TrunkOther	5183
8	Stones,RootOther	4468
9	WiresRope	4095
10	Stones,BranchOther	3786
11	TrunkOther,BranchOther	2477
12	WiresRope,BranchLights	2308
13	RootOther,TrunkOther	2137
14	MetalGrates	2098
15	Stones,WiresRope,BranchLights	1953
16	RootOther,BranchLights	1918
17	RootOther,TrunkOther,BranchOther	1807
18	TrunkOther,BranchLights	1558
19	Stones,TrunkOther,BranchOther	1539
20	RootOther,BranchOther	1503
21	Stones,WiresRope	1457
22	Stones,RootOther,TrunkOther	1360
23	Stones,TrunkOther,BranchLights	1176
24	Stones,RootOther,BranchLights	901
25	BranchLights,BranchOther	756
26	Stones,RootOther,BranchOther	743
27	Stones,RootOther,TrunkOther,BranchOther	617
28	RootOther,TrunkOther,BranchLights	540
29	Stones,BranchLights,BranchOther	526
30	Stones,RootOther,TrunkOther,BranchLights	495
31	RootOther,WiresRope,BranchLights	410
32	WiresRope,TrunkOther	325
33	RootOther,WiresRope	324
34	WiresRope,BranchOther	314
35	Stones,WiresRope,TrunkOther,BranchLights	256
36	TrunkLights,BranchLights	235
37	TrunkLights	218
38	MetalGrates,TrunkOther	218
39	WiresRope,TrunkOther,BranchLights	210
40	MetalGrates,BranchOther	208
41	Stones,MetalGrates	207
42	Stones,RootOther,WiresRope,BranchLights	202
43	MetalGrates,RootOther	159
44	Stones,TrunkOther,BranchLights,BranchOther	156
45	TrunkOther,BranchLights,BranchOther	154
46	RootOther,BranchLights,BranchOther	126
47	Stones,RootOther,WiresRope	124
48	Stones,RootOther,BranchLights,BranchOther	113
49	MetalGrates,TrunkOther,BranchOther	110

Признак содержит записи как об отдельных проблемах, так и об их комбинациях, перечисленных через запятую. Интересно, что признак также содержит пропуски.

Чаще всего деревья либо не имеют никаких проблем, либо имеют проблемы с камнями и осветительными приборами в ветвях. Закономерно, комбинации проблем встречаются значительно реже.

Чтобы понять какие отдельные проблемы встречаются чаще всего исключим из датасета деревья не имеющие проблем и записи, содержащие пропуски в данном столбце, разделим все комбинации проблем на отдельные проблемы и сосчитаем как часто они встречаются.

trees_problems = (
    dataset.query("problems != 'None' and problems.notna()")
    .set_index(keys=["tree_id", "problems"], drop=False)
    .drop(columns="tree_id")
    .problems.str.split(",")
    .explode()
    .rename_axis(index={"problems": "problems_str"})
    .reset_index()
)

explore_cat_feature(
    data=trees_problems,
    column_name="problems",
    title="Частота отдельных проблем деревьев",
    xlabel="Количество наблюдений",
    ylabel="Проблема",
    figsize=(10, 5),
)

Количество уникальных знаний: 9
Количество повторов уникальных значений признака problems

	Значение признака problems	Количество повторений
0	Stones	139999
1	BranchLights	62365
2	TrunkOther	32573
3	RootOther	30322
4	BranchOther	24355
5	WiresRope	13274
6	MetalGrates	3536
7	TrunkLights	1031
8	Sneakers	411

Подсчитаем количество отдельных проблем у одного дерева, для этого создадим признак problems_count и выясним как часто встречается разное количество проблем у одного дерева.

explore_cat_feature(
    data=(
        trees_problems.assign(
            problems_count=lambda x: trees_problems.groupby(
                by=["tree_id", "problems_str"]
            ).problems.transform("count")
        )
    ),
    column_name="problems_count",
    title="Количество отдельных проблем у одного дерева",
    xlabel="Количество наблюдений",
    ylabel="Количество отдельных проблем",
    figsize=(10, 5),
)

Количество уникальных знаний: 9
Количество повторов уникальных значений признака problems_count

	Значение признака problems_count	Количество повторений
0	1	162552
1	2	95500
2	3	38148
3	4	10096
4	5	1245
5	6	294
6	7	14
7	9	9
8	8	8

Чаще всего одно дерево имеет 1 - 2 отдельные проблемы, при этом, максимальное количество проблем равно 9.

Попробуем выяснить какие проблемы деревьев встречаются вместе. Будем рассматривать отдельные пары проблем.

explore_cat_vs_cat(
    data=(
        trees_problems.merge(
            pd.Series(
                trees_problems["problems"].unique(), name="base_problems"
            ),
            how="cross",
        )
        .rename(columns={"problems": "actual_problems"})
        .assign(
            presented=(
                lambda df: df.apply(
                    lambda row: (
                        row.base_problems in row.problems_str
                        and row.actual_problems in row.problems_str
                    ),
                    axis="columns",
                )
            )
        )
        .query("presented == True")
    ),
    x="base_problems",
    y="actual_problems",
    title="Совстречаемость проблем деревьев",
    xlabel="Проблема",
    ylabel="Проблема",
    figsize=(16, 16),
    norm=matplotlib.colors.LogNorm(),
    alpha=0.5,
)

Совстречаемость проблем деревьев

actual_problems	BranchLights	BranchOther	MetalGrates	RootOther	Sneakers	Stones	TrunkLights	TrunkOther	WiresRope
base_problems
BranchLights	62365	2331	162	5131	84	24118	577	5035	5971
BranchOther	2331	24355	484	5375	53	7983	97	7380	1026
MetalGrates	162	484	3536	390	7	426	73	551	117
RootOther	5131	5375	390	30322	51	9381	145	7560	1563
Sneakers	84	53	7	51	411	201	4	70	18
Stones	24118	7983	426	9381	201	139999	296	11293	4644
TrunkLights	577	97	73	145	4	296	1031	107	195
TrunkOther	5035	7380	551	7560	70	11293	107	32573	1474
WiresRope	5971	1026	117	1563	18	4644	195	1474	13274

Очевидно, разные пары проблем встречаются с разной частотой. Реже всех встречаются проблемы с кросовками и осветительными приборами на стволе. Чаще всех - проблемы только с камнями и проблемы только с осветительными приборами в ветвях и комбинация этих проблем. Реже всех встречаются проблемы с кросовками и комбинации этих проблем с другими. Примечательно, что в комбинациях присутствует каждая пара проблем и нет взаимоисключающих категорий.

Исследование признаков в парах

Матрица корреляции для количественных признаков

К количественным признакам относятся следующие: - tree_dbh; - stump_diam; - latitude; - longitude; - x_sp; - y_sp; - bin; - bbl.

Построим для них матрицу корреляции. Так как количественные признаки содержат выбросы, будем использовать коэффициент корреляции Кендалла.

plot_corr_matrix(
    dataset[
        [
            "tree_dbh",
            "stump_diam",
            "latitude",
            "longitude",
            "x_sp",
            "y_sp",
            "bin",
            "bbl",
        ]
    ],
    method="kendall",
)

Пары признаков latitude и y_sp, longitude и x_sp, bin и bbl показывают очень высокую корреляцию, скорее всего величины в этих парах связаны некоторой зависимостью. Для пар latitude и y_sp, longitude и x_sp такая высокая корреляция логична, так как это широта и долгота в разных системах координат. Причина высокой корреляции между bin и bbl остаётся загадкой, так как автору не известен физический смысл этих величин. Тем не менее достаточно будет рассмотреть по одному признаку из каждой пары.

Пары категориальных признаков

spc_latin и spc_common

Проверим нет ли ошибок в сопоставлении обывательского названия вида дерева с его названием на латыне. Для этого посчитаем какое максимальное количество названий на латыне соответствует каждому обывательскому названию и наоборот.

print(
    "Максимальное количество уникальных названий вида дерева",
    "на латыне для каждого обывательского названия:",
    dataset.groupby("spc_common").spc_latin.nunique().max(),
)

print(
    "Максимальное количество уникальных обывательских названий",
    "вида дерева для каждого названия на латыне:",
    dataset.groupby("spc_latin").spc_common.nunique().max(),
)

Максимальное количество уникальных названий вида дерева на латыне для каждого обывательского названия: 1
Максимальное количество уникальных обывательских названий вида дерева для каждого названия на латыне: 1

Таким образом, каждому уникальному названию дерева на латыне соответствует только одно уникальное обывательское название. Скорее всего, названия видов деревьев сопоставлены корректно, но не исключено, что для отдельных деревьев некорректно указано как название вида на латыне так и соответствующее обывательское название.

Совстречаемость проблем

Попробуем выяснить какие проблемы деревьев встречаются одновременно, для этого построим график, называемый Parallel Categories Diagram, из библиотеки Plotly для трёх наиболее часто встречающихся проблем, которым соответствуют значения Yes в следующих признаках:

• root_stone,
• brch_light,
• trnk_other.

cols = [
    "root_stone",
    "brch_light",
    "trnk_other",
]

fig = px.parallel_categories(
    data_frame=(
        dataset.loc[:, cols].assign(
            log10_count=np.log10(
                dataset.groupby(by=cols)["tree_id"].transform("count")
            )
        )
    ),
    dimensions=cols,
    color="log10_count",
    color_continuous_scale="greens_r",
    range_color=[3, 6],
)

fig.update_layout(
    title="Совстречаемость трёх наиболее распространённых проблем",
    title_x=0.5,
)

fig.show()